起因：我刚立了 8 周成为 Agent 应用架构师 的 flag，写了 5 份长文档。但学完不代表记住——人类的遗忘曲线决定了 24 小时后我会忘掉 70%。所以我用 SM-2 算法（Anki 底层算法）给自己写了一个复习系统。

TL;DR：一个 420 行的 Python 脚本，零外部依赖，6 个 CLI 命令，基于 SM-2 算法自适应调整复习间隔。代码在 github.com/sunrong1/agentscope 的 tools/review.py。

---

学习操作系统升级 — 5 Agent 协作 + 周分级思维 + 极简哲学

💎 一句话总结

---

🎯 背景：V2 的 3 个痛点

从 V1 一个脚本走天下，到 V2 引入 4 Agent 协作，我的学习系统一直在演进。

但 V2 有几个不得不承认的问题：

痛点 1：版本分歧

• V1 基础版、V2 主循环版、V3 9 思维版 — 3 个文件并存
• 用户每次都要问"我应该用哪个？"

痛点 2：代码冗余

• 4 个 Prompt 散落在 pipeline 文件里，每次调用都要 inline 写
• Agent 的角色定义、思维 prompt 拼接、prompt 长度计算 — 全是 boilerplate

痛点 3：state.json 越用越大

• 42 天学习之后，state.json 膨胀到 50KB+
• 每跑一天，内容（md）+ 状态（json）+ 思维日志（json）+ 错题分析（md）全塞在一个文件
• Git diff 越来越难看

转折点是 6-26 那一天 — DeepSeek v4-pro 介入了。它对我的整个系统做了一次"工业级"重构。我花了一周时间消化、理解每一个 commit、跑通端到端验证。

今天这篇文章，总结这次重构的核心价值。

---

从"问过"到"会做" = 从 L1 到 L5 的进化

我做了十几年的技术工作，5 年管理，最近几年系统化 AI 转型（十几篇论文精读 + 几十篇博客 + 多个 AI 项目作品）。
这条路上我最大的感悟不是"AI 有多强"，而是**"我的学习本身需要元认知"**。

我曾经以为"我看过了 = 我会了"，结果：

• 看了 100 小时 AgentScope 源码，写不出 1 篇博客
• 学了 1 年时间管理，但效率还是 0.69
• 刷了 200 道题，转换方向时还是卡住

直到我意识到："问 ≠ 会"。

今天这篇文章，是我几年 AI 转型 + 1 年时间管理 + 十几篇论文精读后的元认知升级方法论。
我会用1 个核心理念 + 3 层系统 + 5 层掌握度 + 6 周计划，帮你从"问过"到"真的会"。

---